基于图像卷积神经网络的匝道控制深度强化学习算法研究

论文摘要

针对入口匝道流量控制提升通行效率问题,提出了一种基于图像卷积神经网络的匝道控制深度强化学习算法.克服传统依赖定点检测器的匝道控制对于交通状态估计模糊的缺陷,建立基于图像卷积神经网络的连续时空交通状态解析,采用具有优先经验回放的深度Q学习算法,构建以视频图像作为输入、最优匝道流量策略为输出的算法框架.基于交通仿真(SUMO)平台,模拟了典型的高速公路合流瓶颈路段并进行控制效果测试.结果表明,深度强化学习匝道控制策略能够主动响应不同的交通状态,在短训练时间内达到目标找到最优控制策略,通过采取合适控制动作消除和预防合流区拥堵.本文提出的控制策略有效减少系统总旅行时间13. 05%,优于传统定时调节式匝道控制和反馈式匝道控制算法,能更加有效提升高速公路合流区通行效率.

论文目录

• 1 控制算法
•   1.1 图像卷积神经网络
•   1.2 深度Q学习算法
• 2 仿真实验设计
• 3 控制效果评价
• 4 结束语

文章来源

类型: 期刊论文

作者: 戴昇宏,李志斌

关键词: 匝道控制,人工智能,深度强化学习,图像,效果评价

来源: 交通工程 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 公路与水路运输

单位: 东南大学交通学院

基金: 国家自然科学基金(71871057)

分类号: U491.54

DOI: 10.13986/j.cnki.jote.2019.04.001

页码: 1-6

总页数: 6

文件大小: 498K

下载量: 289